数字人

定义

数字人指以数字化形式存在、具有与人类相近外观与行为的虚拟人物形象，英文常写作 Digital Human 或 Meta Human。这一形象不以实体机器人形态出现，而由软件生成并通过屏幕等显示设备呈现，其内容以代码和数据形式在计算设备上运行^[1]。

中国人工智能产业发展联盟等单位发布的《2020年虚拟数字人发展白皮书》提出，虚拟数字人需具备三个条件：拥有人的相貌、性别、性格等外观特征，能用语言、面部表情和肢体动作表达，以及能识别外部环境并与人交流互动^[2]。按与真人的关系，可分为以真人为原型的数字分身形和人物身份完全虚构的虚拟人形象两类^[3]。

行业内也有更宽泛的理解，把建模、物理仿真、生理模拟乃至智能模拟都纳入数字人的范畴，狭义上则分为可视人、物理人、生理人和智能人几个层次。实际使用中，数字人、虚拟人、虚拟数字人、数字虚拟人等说法常被交替使用^[2]。

原理

《2020年虚拟数字人发展白皮书》把数字人系统归纳为人物形象、语音生成、动画生成、音视频合成显示和交互五个模块：语音与动画模块依据文本生成对应语音和匹配动作，合成模块将二者合成为视频，交互模块则识别用户意图并决定下一轮输出^[4]。在此基础上，白皮书又提出人物生成、人物表达、合成显示、识别感知、分析决策的技术架构，其中人物表达包含语音生成和动画生成，动画生成又分驱动与渲染两部分^[5]。

从驱动方式看，数字人可分为真人驱动与算法驱动两类。真人驱动依赖动作捕捉与面部捕捉，把表演者的动作、表情实时映射到虚拟形象上；算法驱动则由模型根据输入的文本、语音或视频自动生成语音、口型、表情和肢体动作^[6]。国家广播电视总局批准发布的行业标准也按这一口径，将算法驱动分为文本、语音、视频三种驱动能力，并要求语音合成与视频合成支持端到端模型和实时渲染^[7]。

近年的大模型进一步充当数字人的“大脑”。自然语言理解与对话管理负责解析用户意图并组织回复，语音合成生成自然语音，语音或文本驱动口型同步，配合实时渲染完成“能听、能说、能看、能理解、能表达”的闭环^[8]。有研究者把这种协同概括为多模态实时协同：让语言、声音、形象在同一时间轴上对齐，才能在大幅动作和复杂交互中不出戏^[9]。

发展历程

数字人概念可追溯到 20 世纪 80 年代。1982 年，日本将动画《超时空要塞》女主角林明美包装为演唱插曲的虚拟歌手，被视为虚拟歌手的早期形态；当时制作以手工绘制为主^[3]。进入 21 世纪，计算机图形学与动作捕捉技术进步，数字人从 2D 卡通转向 3D 写实形象并进入电影制作，2001 年电影《指环王》中的虚拟角色咕噜常被视作商业化成熟的标志^[3]。

2007 年，结合语音合成软件与动作捕捉的虚拟偶像初音未来问世，2012 年国产虚拟偶像洛天依出道，虚拟偶像逐渐成为数字人最典型的应用形态之一^[3]。2001 年和 2003 年两次香山科学会议后，中国启动数字人领域研究，由第一军医大学（现南方医科大学）等机构自 2002 年起构建中国人体数据集。

2020 年前后，中国人工智能产业发展联盟等机构开始系统梳理虚拟数字人技术与产业，推动标准制定与评估测试^[10]。2024 年 11 月 28 日，国家广播电视总局批准《数字虚拟人技术要求》为广播电视和网络视听推荐性行业标准，对分类、应用场景、形象、驱动技术、平台能力和安全能力提出规范^[7]。2025 年 3 月，多模态交互式数字人相关成果获得吴文俊人工智能科学技术奖科技进步奖特等奖^[11]。

应用

新闻播报与直播电商是落地较早的场景。按上述行业标准，数字虚拟人的应用场景包括内容播报、交互客服、虚拟演播与内容创作，内容播报涵盖新闻资讯与手语播报、影视节目介绍和直播带货，交互客服涵盖虚拟客服、智能助手和交互问答^[7]。数字人主播可以长时间连续工作，并同时响应多位用户的提问，这是真人主播难以做到的^[12]。

教育、医疗、金融与文旅也在引入数字人。数字人教师可与学生互动，数字人客服可实时理解用户话语并做出应答^[12]；在医疗场景中，数字人可承担导诊、辅助问诊、健康管理和医保政策解读等服务^[13]。文博机构则利用自有文化数据打造虚拟讲解员，复刻历史人物形象为观众导览^[3]。

产业规模方面，中国互联网协会《中国数字人发展报告（2024）》预计，2025 年中国数字人核心市场规模超 400 亿元，带动相关产业市场规模超 6000 亿元^[14]。生成式人工智能的普及改变了传统“图形学建模加真人动捕”的制作流程，使数字人的生成效率明显提高、制作门槛下降^[14]。

局限

高拟真数字人的制作与运行成本仍然较高。早期复刻真人形象需要多机位采集与大量算力，一分钟左右的数字分身曾需高昂投入；如今借助算法虽可凭照片或短视频生成形象，但高一致性长视频、复杂大幅动作仍需较强算力支撑^[11]。有从业者指出，早期数字人虽有形象与声音，在大幅动作、复杂交互以及语言、声音与动作的协调上仍存在明显局限^[12]。

交互的真实感也受多方面制约。数字人直播需持续数小时，声音、手势、表情必须协同，眼珠转动或仪态上的细微偏差都会被人察觉；生成式模型还可能产生与事实不符的内容，需要在应用中加以约束^[11]。当形象接近真人却仍有差距时，容易触发“恐怖谷”式的不适感，这也是超写实路线面临的接受度问题。

标准与权属问题同样构成限制。业内分析认为，数字人产业的标准体系尚未完全建立，技术、安全与应用层面的规范仍需补齐^[14]。以真人形象建立的数字分身涉及肖像、声音与个人信息权益，制作和使用需取得本人授权；在司法实践中，虚拟数字人未被认定具有独立的法律主体地位。

参见

• 动作捕捉 —— 将真人动作与表情映射到虚拟形象上的采集技术，是真人驱动型数字人的关键环节。

• 语音合成 —— 把文本转换为自然语音的技术，构成数字人“说话”能力的基础。

• 大语言模型 —— 为数字人提供理解、对话与决策能力的模型基础。

• 虚拟偶像 —— 以虚拟形象开展演艺活动的数字人应用形态。

• 数字孪生 —— 与现实对象对应的数字化映射，与真人数字分身在思路上相近。

• 深度合成 —— 生成式技术的一类，与数字人形象和声音的合成直接相关。